%0 Journal Article %A Sabbagh Gol, Hamed %T A Detection of Type2 Diabetes using C4.5 Decision Tree %J Journal of Health and Biomedical Informatics %V 5 %N 2 %U http://jhbmi.ir/article-1-281-fa.html %R %D 2018 %K Data mining, Type2 diabetes, C4.5 Decision tree, %X مقدمه: یکی از شایعترین بیماری ها در دنیای امروز بیماری دیابت است و سالانه شیوع دیابت در سطح جهان حدود 6 درصد افزایش مییابد. استفاده از تکنیک های داده کاوی برای ایجاد مدل های پیشگویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. در این پژوهش با استفاده از درخت تصمیم 5.C4 به روشهای پیشگیری و تشخیص این بیماری پرداخته شد. روش: در این پژوهش کاربردی- توصیفی از دادههای استاندارد UCI و مجموعه داده diabetes-indians-pima استفاده شد. این پایگاه داده شامل 768 رکورد با 8 فیلد می باشد. تجزیه و تحلیل به کمک نرمافزار 3.6 Weka با به کارگیری روش CRISP3 انجام شد. در بخش مدلسازی درخت تصمیم 5.C4 با به کارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد شد. همچنین جهت ارزیابی مدل از شاخص های حساسیت، ویژگی، دقت، ارزش اخباری مثبت و منفی استفاده شد. نتایج: با توجه به مدل استفاده شده مشخص شد که به ترتیب متغیرهای میزان بالای قند خون دوساعته، تعداد دفعات بالای حاملگی، سن بالا، فشارخون دیاستولیک بالا، سابقه خانوادگی و شاخص توده بدنی(BMI )بالا، بیشترین تأثیر را در ابتلا به بیماری دیابت نوع 2 دارا هستند. نرخ دسته بندی برابر با 73/8 %و دقت الگوریتم 5.C4 برابر با 79 %به دست آمد. نتیجه گیری: در مقایسه با نتایج مطالعات انجام شده در حوزه داده کاوی بیماری دیابت، دقت به دست آمده الگوریتم پیشنهادی قابل قبول است. بیشترین عوامل تأثیرگذار بر بیماری دیابت شناسایی شدند. همچنین قوانینی استخراج شد که می تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به بیماری دیابت استفاده شود. %> http://jhbmi.ir/article-1-281-fa.pdf %P 293-303 %& 293 %! Detection of type2 diabetes using C4.5 decision tree %9 Original Article %L A-10-247-2 %+ M.Sc in Computer Engineering, Faculty of Computer, Department of Computer Engineering, Payame Noor University (PNU), Iran %G eng %@ 2423-3870 %[ 2018